Skip to main content

Métriques de performance IA : les sept chiffres qui décrivent le canal.

La découverte par l'IA est un canal à part entière, et elle a besoin de son propre rapport. Voici les sept métriques qui la décrivent : couverture d'entraînement, couverture des candidats, couverture des renvois, score de croissance, répartition par moteur, exploré mais non cité, et revenus attribués à l'IA. Chacune se lit dans vos logs serveur first-party, et chacune est un panneau du tableau de bord WISLR AI Channel Analytics.

Available in:
English Deutsch Español हिन्दी Italiano Bahasa Melayu Nederlands Polski Português Türkçe Українська
Tony Castillo

Author: Tony Castillo

← All articles

Un entonnoir montrant les quatre étapes du canal IA, les explorations d'entraînement se rétrécissant vers les citations, les renvois et les revenus, avec les outils AIO qui ne couvrent que la part de voix au-dessus et GA4 qui couvre faiblement les revenus en dessous
En bref
  1. Le canal compte quatre étapes, pas un chiffre unique. Un modèle lit vos pages, en récupère certaines en pleine conversation, vous envoie quelques personnes réelles, et une partie de ces personnes achète. Entraînement, candidats, renvois, revenus. Toute métrique IA utile répond à une question sur l'une de ces quatre étapes, et une métrique issue d'une étape ne dit presque rien de la suivante.
  2. L'unité de mesure est la couverture, pas le volume. Un décompte brut d'explorations récompense celui qui a le plus de pages. La couverture demande quelle part de ce qui compte a été lue, récupérée et cliquée. C'est ce qui rend les chiffres d'entraînement, de candidats et de renvois comparables entre eux et au mois précédent.
  3. Exploré mais non cité est le chiffre le plus actionnable de la page. Il isole les pages qu'un modèle a déjà lues et qu'il n'utilise toujours pas. Le contenu est accessible et le modèle le possède, donc ce qui manque se trouve sur la page elle-même, ce qui en fait le chemin le plus court entre un rapport et une décision.
  4. Rien de tout cela ne vient des analytics navigateur. Les explorations d'entraînement et les récupérations en pleine conversation n'exécutent jamais JavaScript, donc GA4 ne peut pas les voir du tout. Même pour les personnes réelles arrivant depuis l'IA, les outils basés sur le navigateur sous-comptent de 2,5x à 5x. Ces métriques se lisent dans les logs serveur, ou pas du tout.

Pourquoi le canal IA a besoin de son propre rapport

Le payant, l'organique, le social et l'e-mail ont chacun leur propre rapport, avec leurs propres métriques, parce que chacun se comporte différemment. La découverte par l'IA est le plus récent d'entre eux et le moins compris, et il reste le plus souvent traité en note de bas de page dans un canal auquel il n'appartient pas.

Ce n'est pas la nouveauté qui lui vaut un rapport dédié. C'est que le mécanisme est différent. Il n'y a pas de position de classement, pas de compte d'impressions, pas de page de résultats. Un modèle lit vos pages selon un calendrier, décide en pleine conversation d'aller en chercher une, et vous envoie de temps en temps une personne avec un lien. Ce sont trois événements distincts, produits par trois comportements distincts, et un chiffre issu de l'un prédit très peu de choses sur le suivant.

La question utile n'est donc pas « quelle est notre visibilité dans l'IA ». C'est quelle étape du canal est défaillante, parce que le correctif diffère pour chacune.

Les quatre étapes dans lesquelles s’inscrit chaque métrique

Avant les métriques, la structure. Tout ce qui suit répond à une question sur l'une des quatre étapes, et elles s'enchaînent dans l'ordre. Une page ne peut pas être candidate à la citation si elle n'a jamais été lue, et elle ne peut pas vous envoyer de renvoi si elle n'est jamais citée.

Étape 01 Entraînement Un modèle a-t-il seulement lu cette page ? Des robots comme GPTBot et ClaudeBot qui lisent selon un calendrier, alimentant ce que le modèle sait par défaut.
Étape 02 Candidats Va-t-il chercher la page en pleine conversation ? Récupérations en direct par des agents comme ChatGPT-User pendant qu'ils répondent à la vraie question de quelqu'un.
Étape 03 Renvois Une vraie personne a-t-elle cliqué ? Des humains arrivant depuis une réponse IA, atterrissant sur une page précise.
Étape 04 Revenus Est-ce que cela s'est traduit en argent ? Commandes et leads rattachés à la session qui les a produits.
Les étapes 01 et 02 sont des requêtes de serveur à serveur qui n'exécutent jamais JavaScript. Un outil d'analytics basé sur le navigateur ne les sous-compte pas, il ne peut pas les observer du tout.

Les sept métriques

Chacune est un panneau du tableau de bord WISLR AI Channel Analytics, lu dans vos logs serveur first-party. Elles sont listées dans l'ordre de l'entonnoir, et la valeur diagnostique vient de leur lecture croisée plutôt qu'une par une.

01

Couverture d'entraînement

Entraînement
Ce que cela mesure
La part de vos pages commercialement importantes que les robots d'entraînement IA ont réellement lues, et non le nombre brut de visites d'exploration.
Comment WISLR le rapporte
Pages apprises et couverture d'entraînement, avec le volume quotidien d'exploration, vos meilleurs jours d'entraînement et une ventilation par moteur.
À quoi ressemble un bon résultat
Une couverture concentrée sur les pages de catégorie, de produit et de comparaison. Une large couverture d'un blog pendant que le catalogue commercial reste non lu est un schéma fréquent et coûteux.
Où cela casse
Des blocages dans robots.txt, du contenu qui n'existe qu'après l'exécution de JavaScript, et des réponses lentes qui poussent les robots à abandonner.
02

Couverture des candidats

Candidats
Ce que cela mesure
La part des pages récupérées pendant des conversations en direct. Ce sont les pages qu'un modèle a jugées assez bonnes pour aller les chercher en répondant à une vraie question, ce qui en fait ce qui ressemble le plus à un vote de confiance dans ce canal.
Comment WISLR le rapporte
Candidats et couverture des candidats, avec les pages candidates listées une à une par titre pour voir quel contenu est sollicité.
À quoi ressemble un bon résultat
Vos pages commerciales apparaissent comme candidates, pas seulement la page d'accueil et un guide populaire.
Où cela casse
Des pages sans affirmation autonome à citer. Un modèle qui récupère votre page doit encore y trouver une phrase qu'il peut assumer.
03

Couverture des renvois

Renvois
Ce que cela mesure
La part des pages qui ont obtenu un clic réel depuis une réponse IA, et l'endroit où ces personnes ont atterri.
Comment WISLR le rapporte
Renvois et couverture des renvois, avec les pages d'atterrissage classées et le volume de renvois suivi face à l'activité d'entraînement et de candidats sur la même chronologie.
À quoi ressemble un bon résultat
Des renvois concentrés sur des pages qui convertissent, plutôt que sur du contenu informatif qui répond si complètement à la question que personne n'a besoin de cliquer.
Où cela casse
Les navigateurs intégrés aux applications mobiles suppriment le référent, donc la visite atterrit dans direct ou other. C'est la plus grande source de sous-comptage dans les outils basés sur le navigateur.
04

Score de croissance

Toutes les étapes
Ce que cela mesure
La direction et la vitesse plutôt que le niveau. Une lecture composite unique qui dit si le canal accélère, se maintient ou décline.
Comment WISLR le rapporte
Un score de croissance avec un libellé de dynamique, à côté d'une vue d'activité quotidienne pour voir si un changement est une tendance ou un jour inhabituel.
À quoi ressemble un bon résultat
Une dynamique qui tient après une poussée de contenu au lieu de bondir puis de revenir au niveau de départ en deux semaines.
Où cela casse
Le lire tous les jours. L'exploration est par nature irrégulière, et une journée isolée n'est que du bruit.
05

Répartition par moteur

Toutes les étapes
Ce que cela mesure
Comment votre visibilité se répartit entre OpenAI, Anthropic, Gemini et Perplexity, à chaque étape séparément.
Comment WISLR le rapporte
Une ventilation par LLM appliquée à l'entraînement, aux candidats et aux renvois, pour que la répartition puisse différer selon l'étape et que vous puissiez le constater.
À quoi ressemble un bon résultat
Une présence sur plusieurs moteurs. La concentration sur un seul est une dépendance, et les moteurs changent leur comportement d'exploration et de citation sans préavis.
Où cela casse
Supposer que le comportement d'un moteur vaut pour les autres. Ils diffèrent par ce qu'ils explorent, la fréquence de leurs récupérations, et le fait même de créer un lien sortant.
06

Exploré mais non cité

Entraînement vers candidats
Ce que cela mesure
Les pages qu'un modèle a lues et jamais récupérées dans une réponse. L'écart entre ce qu'il possède et ce qu'il utilise.
Comment WISLR le rapporte
Une liste permanente des pages explorées mais non citées, pour que l'écart soit une file de travail plutôt qu'une déduction.
À quoi ressemble un bon résultat
Une liste courte et qui rétrécit sur les pages commerciales. Sur du contenu pauvre ou dupliqué, une longue liste est le bon résultat.
Où cela casse
Prendre une exploration pour une victoire. Une exploration signifie que la porte était ouverte, rien de plus.
07

Revenus attribués à l'IA

Revenus
Ce que cela mesure
Les commandes et les leads remontés jusqu'à la session IA qui les a produits, en devise.
Comment WISLR le rapporte
Une attribution de l'IP à la commande avec les revenus dans le temps, le détail par acheteur et le délai avant achat, ventilés par moteur quand les données le permettent.
À quoi ressemble un bon résultat
Un revenu par session IA qui soutient la comparaison avec vos autres canaux, et une courbe de délai avant achat autour de laquelle planifier le reciblage.
Où cela casse
La continuité de session. Quelqu'un qui arrive depuis une réponse IA et revient trois jours plus tard pour acheter est invisible pour un modèle naïf au dernier clic, et c'est pourquoi le délai avant achat a sa place à côté du chiffre de revenus.

Les lire les unes par rapport aux autres

Prises isolément, ce ne sont que des chiffres. La valeur diagnostique est dans les écarts entre elles, parce que chaque chute a une explication probable et un correctif différent.

Entraînement faibleLe modèle n'a jamais lu la page. C'est un problème d'accès : règles robots, rendu, ou temps de réponse. Rien en aval ne mérite d'être regardé tant que ce n'est pas réglé.
Entraînement élevé, candidats faiblesLe modèle a votre contenu et ne va pas le chercher. C'est un problème de contenu, en général l'absence d'une affirmation autonome digne d'être citée.
Candidats élevés, renvois faiblesVous êtes utilisé et non crédité. Une partie tient au comportement de liens du moteur et échappe à votre contrôle ; une autre tient au fait que la page répond si complètement à la question qu'il n'y a aucune raison de cliquer.
Renvois élevés, revenus faiblesLe trafic arrive et ne convertit pas. C'est le problème de conversion ordinaire que connaît tout canal, et c'est celui que vos outils actuels savent déjà bien traiter.
Ou passez sur la phase de construction

Les sept sont des panneaux dans WISLR.ai. L'outil capte les explorations d'entraînement, les récupérations en pleine conversation et les renvois IA en périphérie sur votre propre domaine, rapproche les sessions des commandes, et rapporte la couverture à chaque étape ventilée par moteur. Aucun pipeline de logs à mettre en place, et le plan gratuit conserve 30 jours continus d'historique, donc la ligne de base commence aujourd'hui.

Commencer avec WISLR.ai →

Comment cela se rattache à votre rapport SEO

Ces métriques se placent à côté de votre rapport SEO, pas par-dessus. Elles viennent de sources différentes et répondent à des questions différentes, et l'analogue le plus proche n'est souvent pas exact.

Métrique SEO familièreÉquivalent dans le canal IAPourquoi ce n'est pas la même chose
Couverture de l'indexCouverture d'entraînementÊtre indexé est un oui ou un non. Être lu par un modèle se joue moteur par moteur, selon le calendrier propre à chacun.
ImpressionsCouverture des candidatsIl n'y a pas de compte d'impressions à rapporter. L'événement observable le plus proche est la récupération de votre page par le modèle pour répondre à une question.
ClicsCouverture des renvoisMême idée, instrumentation bien pire. Les référents sont supprimés assez souvent pour que les outils navigateur sous-comptent de 2,5x à 5x.
Position moyenneScore de croissanceIl n'y a pas de position. La direction dans le temps est la seule lecture stable disponible.
Revenus par canalRevenus attribués à l'IALa même question, traitée à partir des logs serveur et des enregistrements de commandes plutôt que d'une balise qui souvent ne se déclenche jamais.

Par où commencer

Commencez en haut de l'entonnoir, parce qu'un problème à la première étape rend tous les chiffres en dessous inutiles. La couverture d'entraînement et exploré mais non cité suffisent à prendre la première série de décisions, et les deux viennent des mêmes données de logs.

La seule chose à faire tout de suite, c'est de lancer le chronomètre. Chaque métrique ici est une tendance, et une tendance exige une ligne de base. Une marque qui commence à enregistrer maintenant disposera de mois d'historique quand un concurrent en sera encore à décider quoi mesurer, et l'historique est la partie qu'on ne peut pas reconstituer après coup.

Travailler avec WISLR

Voyez ces sept chiffres sur vos propres données.

WISLR AI Channel Analytics rapporte les sept à partir de vos propres logs serveur first-party : couverture d'entraînement et couverture des candidats par moteur, la file exploré mais non cité, le score de croissance, et les revenus rapprochés de la session. Le plan gratuit conserve 30 jours continus d'historique, ce qui suffit à établir la ligne de base.

Commencer avec WISLR.ai Voir comment AI Channel Analytics le mesure →